基于均值漂移与空间信息的导向模糊C均值遥感图像分割算法

作为图像数据结构分割的重要工具,模糊C均值已被广泛应用于计算机视觉领域。然而模糊C均值在图像分割过程中不能有效地保留边缘和抑制噪声,往往得不到理想的分割结果。为解决这一问题,本文利用导向滤波器推导出一种新的改进模糊C均值算法。该算法的第一个创新点是其线性平移不变滤波过程,利用边缘保持平滑特性来保留分割中的边缘结构。第二个创新点是该技术通过将空间信息引入目标函数来改善对噪声的鲁棒性,空间信息通过导向滤波的平均输出获得。为了解决聚类算法中初始聚类中心问题,在图像分割过程中使用均值漂移算法选取初始聚类中心。本文方法的主要优点在于其对边缘保留和噪声具有鲁棒性,进而提高分割精度。基于合成图像和真实遥感图像的实验结果表明,与其他主流分割算法相比,该方法在分割性能方面表现出了良好的性能。     

基于多特征空间的均值漂移算法

传统均值漂移跟踪算法都是基于单个特征空间,这不能较好地解决特征相似目标对跟踪的干扰.文中归纳多种具有分布特性的局部性特征,并对各种特征的区分能力提出具体的测度方法,使得特征的选择能够自适应.并在分析均值漂移算法中权重值计算的基础上,提出在多特征空间下,依据特征区分能力赋予相应的权重值,进而融合至均值漂移算法中.改进算法能够有效利用各种特征,使其相互补足,提高目标跟踪的鲁棒性.对于视频序列的实验表明,改进算法能够对受干扰的目标进行有效的实时跟踪.     

融合多特征的均值漂移彩色图像分割方法

针对均值漂移图像分割方法中只考虑图像颜色和空间信息,对纹理丰富的图像不能进行有效分割的情况,提出一种新的融合图像颜色、纹理和空间等低层特征信息的图像分割方法.用极性、各向异性和对比度来表示图像的纹理信息,并结合颜色和空间信息形成图像分割特征;然后用均值漂移进行图像滤波;最后,进行区域合并得到分割结果.实验结果表明,该方法对纹理丰富的自然风景图像有较好的分割效果.     

基于均值漂移聚类的油罐识别

从高空间分辨率遥感影像中自动的提取油罐目标和具有重要的意义。针对传统方法计算复杂度高的不足,结合油罐和油库区域在遥感影像中体现的光谱和空间分布特点,提出一种基于均值漂移迭代聚类的油罐自动识别算法。算法基于均值漂移的分割算法进行区域的多层次合并,同时在每个分割尺度上依据形状参数检测油罐。多幅遥感影像的实验结果表明了算法具有较高的识别精度和的较低时间复杂度。     

基于均值漂移聚类的点模型简化方法

为了有效简化稠密采样点模型,提出了一个基于均值漂移（mean shift）聚类的点模型简化方法。通过mean shift迭代过程,计算点模型中点对应的局部模式点,即模态点。利用模态点代替聚集在其周围的数据点,实现对模型的简化。实验结果表明该算法能有效减少稠密采样点模型的点数,且简化速度较快,简化模型能很好地保持原始模型的几何形状。     

基于自适应带宽均值漂移聚类算法设计传递函数

本文采用均值漂移聚类算法为三维数据场设计传递函数.首先根据采样点的分布提出了两种自适应的带宽计算方法;然后利用梯度幅值对采样点加权,实现数据场的物质分类;最后对分类的结果设计高斯型的映射函数.实验表明,与固定带宽均值漂移算法相比,该方法提高了算法的速度和分类的准确性,并获得了高质量的绘制效果.     

均值漂移算法的研究与应用

对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一般形式,说明了均值漂移迭代算法的步骤及收敛性;然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术;最后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用,并展望了均值漂移算法在理论和应用中的研究方向．     

融合均值漂移和加权谱聚类的彩色图像分割

为了提高彩色图像分割的效率,提出了一种彩色图像分割新方法。该方法首先利用均值漂移算法滤除噪声干扰并对图像进行初始分割,初始分割后的图像由一些互不相交的区域组成;然后将这些区域视为图的节点建立区域连接图;最后采用融入了区域之间面积差异信息与空间距离信息的加权谱聚类算法进行聚类,获得最终分割结果。实验结果表明,该方法可较好地对彩色图像进行分割,并能有效地降低噪声的影响,保持图像边缘,且运算速度较快。     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于均值漂移的图像复制粘贴伪造盲检测

针对传统图像复制粘贴伪造盲检测算法存在的耗时长、计算量大、检测精度不高的问题,提出了一种基于均值漂移(MS)的图像复制粘贴伪造盲检测算法。该方法提取图像的加速稳健特征(SURF)特征点,通过最近邻匹配方法进行特征匹配,滤除冗余点,初步定位复制粘贴伪造区域。利用均值漂移将具有相同或相似属性的图像像素分割为同一区域,借助匹配后的SURF特征点与其所在均值漂移分割区域的位置依赖关系确定伪造区域,并采用边缘直方图和HSV颜色直方图衡量特征点所在分割区域与相邻区域间的相似度,将大于相似度阈值的邻域划分到复制粘贴伪造区域中,进一步细化伪造检测结果,最终实现图像的复制粘贴伪造盲检测。实验结果表明,在细节轮廓清晰和灰度值变化明显的图像中,该算法能够达到比较理想的检测效果,能够鲁棒地、高效地检测出图像的复制粘贴伪造区域。     

基于改进的Mean Shift方法的高分辨率遥感影像道路提取

遥感影像的道路提取长期以来一直是数字摄影测量未能解决的难题之一。本文在探讨了均值漂移、区域分割、边缘检测、轮廓跟踪的基础上,提出一种基于均值漂移和利用统计面积去除和合并小区域的道路提取算法,并采用数学形态学方法消除错误道路,利用轮廓跟踪法获取道路的边缘,实现道路的提取;通过与基于区域分割、边缘检测算法提取结果对比,结果表明,本文的算法进行道路提取的效果更好。     

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift 带宽参数的选择完成不同精细程度的分割。     

一种基于预测模型的均值偏移加速算法

为了减少均值偏移算法的计算量,提出一种基于预测模型的均值偏移加速算法．根据迭代序列不同的 收敛特点,建立收敛预测模型,通过减少每次迭代时矢量离收敛点的距离来实现加速．从理论上证明了其收敛速度 比原均值偏移算法快,实验结果也进一步表明,该算法明显地提高了收敛速度,同时可以保证跟踪的准确性．     

基于均值漂移的自适应纹理图像分割方法

提出了一种基于小波多尺度分析和均值漂移的无监督纹理分割方法.该方法利用均值漂移聚类实现基于小波特征的完全无监督自适应多尺度分割,既不需要进行训练也不需要分割类别数等先验知识.该方法根据一定的策略在尺度间进行信息传递,自适应地为图像不同区域确定合适的分割尺度,即纹理内部区域使用粗尺度特征而不同纹理间的交界处使用较细尺度特征,这样就在保证区域一致性的同时更准确地定位图像边缘.对比实验结果表明,该方法在合成纹理和真实纹理图像中都有较好的性能,其多尺度的分割过程类似于人类视觉系统感知,并且较之有监督的传统分割方法也更具优势.     

改进的多光谱遥感影像超分辨率重构算法

针对现有遥感影像重构算法数据资源有限、配准精度低等问题,结合遥感影像的光谱特征,提出一种改进的多光谱遥感影像超分辨率重构算法。提取场景结构特征作为重构的正则化约束条件,保持重构结果中的高频信息。利用波段间的交叉相关,获得场景的结构特征信息。通过迭代反投影算法对单波段影像进行重构,将其合成为全色高分辨率遥感影像。仿真实验结果表明,该算法的重构效果较优。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

均值漂移算法的收敛性

均值漂移是一种有效的统计迭代算法,已广泛应用于聚类分析、跟踪、图像分割、图像平滑、滤波、图像边缘提取和信息融合等方面.但是,其收敛性仍没有得到严格的证明,而收敛性是任何迭代算法的必要前提.推广并严格证明了该算法的收敛性.首先将均值漂移算法做了以下推广:反映不同样本点处局部空间结构的差异及其各向异性.然后,在推广的条件下从数学上严格证明了均值漂移算法的收敛性.最后,探讨了均值漂移算法中参数的自适应选择方法.从而为该算法的应用奠定了理论基础.     

基于张量空间中的均值漂移聚类的极化SAR图像分割

提出了一种基于均值漂移(Mean Shift, MS)聚类的全极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)图像无监督分割算法. 已有的工作在将MS算法应用于全PolSAR图像分割时, 仅使用每个像素点的极化总功率值作为该像素点的特征值, 没有充分利用极化协方差矩阵或者相干矩阵所包含的完整的极化散射信息. 但是如果直接利用每个像素点的极化协方差矩阵作为特征向量, 则这些特征向量构成的空间不再是一个欧氏空间, 而原始的MS算法是定义在欧氏空间中的. 因此, 本文首先将每一个像素点的厄尔米特正定极化协方差矩阵也称为一个张量, 而且使用黎曼流形来描述该张量空间. 然后, 原始的MS算法被扩展到该张量空间中. 直接扩展得到的算法每一步具有明确的含义, 但是运算复杂度较高. 所以本文又进一步对该算法进行了简化, 从而得到了一个实用的分割算法. 通过使用真实的全PolSAR数据以及仿真数据进行实验, 结果验证了新方法的有效性.